Skip to main content
在 GitHub 上打开

Upstash 为开发人员提供无服务器数据库和消息收发 构建强大应用程序的平台，无需担心 关于大规模运行数据库的作复杂性。

Upstash 的一个显着优势是他们的数据库支持 HTTP，并且他们所有的 SDK 都使用 HTTP。 这意味着您可以在无服务器平台、边缘或任何不支持 TCP 连接的平台中运行它。

目前，LangChain 有两个 Upstash 集成可用： Upstash Vector 作为向量嵌入数据库，Upstash Redis 作为缓存和内存存储。

Upstash Vector

Upstash Vector 是一个无服务器向量数据库，可用于存储和查询向量。

安装

在 Upstash 控制台创建新的无服务器矢量数据库。 根据您的模型选择首选的距离指标和维度计数。

安装 Upstash Vector Python SDKpip install upstash-vector. langchain 中的 Upstash Vector 集成是 Upstash Vector Python SDK 的包装器。这就是为什么upstash-vectorpackage 是必需的。

集成

创建一个UpstashVectorStore对象。 您还需要传入一个Embeddings对象，它可以将文本转换为矢量嵌入。

from langchain_community.vectorstores.upstash import UpstashVectorStore
import os

os.environ["UPSTASH_VECTOR_REST_URL"] = "<UPSTASH_VECTOR_REST_URL>"
os.environ["UPSTASH_VECTOR_REST_TOKEN"] = "<UPSTASH_VECTOR_REST_TOKEN>"

store = UpstashVectorStore(
    embedding=embeddings
)
API 参考：UpstashVectorStore

另一种方式UpstashVectorStore就是通过embedding=True.这是一个独特的 的特性UpstashVectorStore得益于 Upstash Vector 索引的能力 具有关联的嵌入模型。在此配置中，我们要插入的文档或 我们想要搜索的查询只是以文本形式发送到 Upstash Vector。在后台， Upstash Vector 嵌入这些文本并使用这些嵌入执行请求。要使用此功能 功能，通过选择模型创建 Upstash Vector 索引，然后简单地将embedding=True:

from langchain_community.vectorstores.upstash import UpstashVectorStore
import os

os.environ["UPSTASH_VECTOR_REST_URL"] = "<UPSTASH_VECTOR_REST_URL>"
os.environ["UPSTASH_VECTOR_REST_TOKEN"] = "<UPSTASH_VECTOR_REST_TOKEN>"

store = UpstashVectorStore(
    embedding=True
)
API 参考：UpstashVectorStore

有关嵌入模型的更多详细信息，请参阅 Upstash Vector 文档。

命名空间

您可以使用命名空间对索引中的数据进行分区。当您想要查询大量数据，并且想要对数据进行分区以加快查询速度时，命名空间非常有用。使用命名空间时，不会对结果进行后筛选，这将使查询结果更加精确。

from langchain_community.vectorstores.upstash import UpstashVectorStore
import os

os.environ["UPSTASH_VECTOR_REST_URL"] = "<UPSTASH_VECTOR_REST_URL>"
os.environ["UPSTASH_VECTOR_REST_TOKEN"] = "<UPSTASH_VECTOR_REST_TOKEN>"

store = UpstashVectorStore(
    embedding=embeddings
    namespace="my_namespace"
)
API 参考：UpstashVectorStore

插入矢量

from langchain.text_splitter import CharacterTextSplitter
from langchain_community.document_loaders import TextLoader
from langchain_openai import OpenAIEmbeddings

loader = TextLoader("../../modules/state_of_the_union.txt")
documents = loader.load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)

# Create a new embeddings object
embeddings = OpenAIEmbeddings()

# Create a new UpstashVectorStore object
store = UpstashVectorStore(
    embedding=embeddings
)

# Insert the document embeddings into the store
store.add_documents(docs)

插入文档时，首先使用Embeddings对象。

大多数嵌入模型可以一次嵌入多个文档，因此文档是并行批处理和嵌入的。 批处理的大小可以使用embedding_chunk_size参数。

然后，嵌入的向量将存储在 Upstash Vector 数据库中。发送时，多个向量将一起批处理以减少 HTTP 请求的数量。 批处理的大小可以使用batch_size参数。Upstash Vector 在免费套餐中每批次限制为 1000 个向量。

store.add_documents(
    documents,
    batch_size=100,
    embedding_chunk_size=200
)

查询向量

可以使用文本查询或其他向量来查询向量。

返回的值是 Document 对象的列表。

result = store.similarity_search(
    "The United States of America",
    k=5
)

或者使用向量：

vector = embeddings.embed_query("Hello world")

result = store.similarity_search_by_vector(
    vector,
    k=5
)

搜索时，您还可以使用filter参数，该参数将允许您按元数据进行筛选：

result = store.similarity_search(
    "The United States of America",
    k=5,
    filter="type = 'country'"
)

有关元数据筛选的更多详细信息，请参阅 Upstash Vector 文档。

删除矢量

向量可以通过其 ID 删除。

store.delete(["id1", "id2"])

获取有关商店的信息

您可以使用 info 函数获取有关数据库的信息，例如距离度量维度。

发生插入时，将对数据库进行索引。发生这种情况时，无法查询新的向量。pendingVectorCount表示当前正在编制索引的向量的数量。

info = store.info()
print(info)

# Output:
# {'vectorCount': 44, 'pendingVectorCount': 0, 'indexSize': 2642412, 'dimension': 1536, 'similarityFunction': 'COSINE'}

Upstash Redis

本页介绍如何将 Upstash Redis 与 LangChain 结合使用。

安装和设置

  • Upstash Redis Python SDK 可以与pip install upstash-redis
  • 可以在 Upstash 控制台上创建全球分布式、低延迟且高可用性的数据库

集成

所有 Upstash-LangChain 集成都基于upstash-redisPython SDK 被用作 LangChain 的包装器。 此 SDK 通过从控制台提供 UPSTASH_REDIS_REST_URL 和 UPSTASH_REDIS_REST_TOKEN 参数来利用 Upstash Redis DB。

缓存

Upstash Redis 可用作 LLM 提示和响应的缓存。

要导入此缓存：

from langchain.cache import UpstashRedisCache
API 参考：UpstashRedisCache

要与您的 LLM 一起使用：

import langchain
from upstash_redis import Redis

URL = "<UPSTASH_REDIS_REST_URL>"
TOKEN = "<UPSTASH_REDIS_REST_TOKEN>"

langchain.llm_cache = UpstashRedisCache(redis_=Redis(url=URL, token=TOKEN))

存储

请参阅使用示例。

from langchain_community.chat_message_histories import (
    UpstashRedisChatMessageHistory,
)